Data mining w marketingu - analiza koszykowa

Janusz Wachnicki, Piotr Komornicki, Data mining w marketingu - analiza koszykowa, Modern Marketing, lipiec/sierpień 2001.

Z punktu widzenia marketera, przychody firmy można zwiększać poprzez:
a. zwiększanie liczby klientów; 
b. zwiększanie wartości klienta; 
c. wydłużanie czasu pozostawania klientem.

Do realizacji każdego z tych celów marketer będzie stosownie dobierał działania marketingowe. Będzie także potrzebował odpowiednich informacji, które pomogą mu maksymalizować efekty tych działań - informacji, które często może uzyskać dzięki wykorzystaniu drążenia danych.

ANALIZA KOSZYKOWA

Kontynuujemy rozpoczętą w poprzednim numerze MM[1] tematykę praktycznych zagadnień wykorzystania data mining przez marketerów. W tym odcinku cyklu przedstawimy praktyczne aspekty analizy koszykowej - zagadnienia data mining, które szczególnie dobrze nadaje się do wspomagania zwiększania wartości klienta.

Zwiększanie wartości klienta możemy realizować poprzez sugerowanie zakupu dodatkowych produktów czy usług. Jednak, by klient zdecydował się na zwiększenie zakupu, trzeba wiedzieć co, kiedy i w jakiej formie mu zaproponować.

Analiza koszykowa, choć kojarzy się przede wszystkim z analizą zawartości koszyków pchanych przez klientów supermarketów, znajduje zastosowanie wszędzie tam, gdzie możemy mówić o koszykach zakupowych. Marketer może ją wykorzystać m.in. w:

• supermarkecie - na przykład do budowania ofert specjalnych skłaniających do zwiększonych zakupów, lub doskonalenia ekspozycji produktów na półkach;
• banku - na przykład do skutecznego oferowania obecnym klientom banku dodatkowych usług;
• e-sklepie - na przykład do trafnej rekomendacji on-line zakupu następnego towaru;
• firmie ubezpieczeniowej - na przykład do efektywnego oferowania kolejnej polisy;
• firmie telekomunikacyjnej - na przykład do doskonalenia planów taryfowych.

W ramce przedstawiamy przykład rzeczywistego zastosowania tego typu analiz w HSBC Bank USA.

HSBC BANK USA Analizy predykcyjne pomagają nam kontaktować się z właściwymi klientami, we właściwym czasie, z odpowiednią ofertą."Joe Somma (Manager ds. pozyskiwania klientów i badań w HSBC Bank USA) SYTUACJA HSBC Bank USA, wchodzący w skład grupy HSBC Group, obsługuje ponad 1,4 miliona klientów bankowości detalicznej, oferując w 380 placówkach banku w Nowym Jorku szeroki wachlarz usług finansowych: rachunki, lokaty, czeki, kredyty i inne, HSBC Bank USA, posiadający 35 miliardów dolarów aktywów, obsługuje również klientów komercyjnych i instytucjonalnych. PROBLEM Typowy oddział banku ma w bliskim sąsiedztwie co najmniej kilku silnych konkurentów i nieprzerwanie prowadzi działania, mające na celu zdobycie i zatrzymanie klientów w swoim zasięgu. Aby, z jednej strony utrzymać wysoki poziom pozyskiwania i zatrzymywania klientów, a zdrugiej zapewnić zyskowność działalności, głównymi celami banku są: polepszanie relacji z aktualnymi klientami; utrzymanie niskich kosztów marketingowych w celu utrzymania dotychczasowych marż; szybkie reagowanie na zmiany na rynku w oparciu o nowe odkrycia dotyczące jego charakterystyki. ROZWIĄZANIE Pracownią HSBC Bank USA, razem ze specjalistami SPSS, analizują wciąż rosnącą bazę danych o klientach i budują modele predykcyjne mające za zadanie sugerowanie sprzedaży nowych usług aktualnym klientom oraz wspomaganie sprzedaży kierowanej do nowych klientów. Koncentracja uwagi na najlepszych klientach dla poszczególnych produktów pozwala maksymalizować sprzedaż i minimalizować koszty marketingowe, umożliwia analitykom błyskawiczne dostarczanie osobom decyzyjnym nowych informacji i aktualnej wiedzy o rynku i klientach. REZULTATY Zidentyfikowano oczekiwania i potrzeby poszczególnych klientów, dzięki czemu sprzedaż wzrosła o prawie 50 procent; Zredukowano główne koszty marketingowe o prawie 30 procent; Uzyskano możliwość szybkiego budowania, aktualizowania i wdrażania skutecznych i trafnych strategii marketingowych.

Podstawowymi danymi do analizy koszykowej dysponują wszystkie firmy zajmujące się sprzedażą towarów i usług. Są to dane pochodzące z rachunków, faktur, paragonów, umów, polis, itp. Dane tego typu są w firmach gromadzone np. dlatego, że wymagają tego przepisy podatkowe, a skoro już są gromadzone, dlaczego nie wykorzystać informacji, jakie przenoszą? Oczywiście, aby poddać je analizie, dane te muszą być gromadzone w formie elektronicznej.

Głównym zadaniem analizy koszykowej jest odkrywanie współkupowania poszczególnych produktów, czyli poszukiwanie wiązek produktów, które wspólnie znajdują się w tych samych koszykach. Chciałoby się powiedzieć, że poszukiwane są wiązki produktów, które występują "najczęściej", ale jest to tylko jedna strona tego typu analiz.

Zawsze będziemy poszukiwali zasad, które wnoszą najwięcej do rozwiązania problemu, przed którym stoimy. Czasem będą to więc wiązki występujące najczęściej, jednak bardzo często większą wartość będą miały dla nas reguły rzadkie, ale za to o dużej sile objaśniającej.

Korzyści z wykorzystania analizy koszykowej staja się tym bardziej oczywiste, im szersza jest gama oferowanych produktów i usług oraz im większa jest liczba klientów - w takich sytuacjach szczególnie trudno znaleźć ukryte zależności bez korzystania z technik analizy danych, a intuicja często nie wystarcza.

TECHNIKI ANALITYCZNE W ANALIZIE KOSZYKOWEJ

W bardzo podstawowym zakresie analizę koszykowa można prowadzić, korzystając z raportówtabelarycznych. np. przygotowywanych z użyciem narzędzi typu OLAP. Pozwalają one poszukiwać par najczęściej współkupowanych produktów.Jednak nawet wtedy, gdy z użyciem OLAP poszukujemy tylko par produktów, zadanie przestaje być pro ste, gdy rośnie liczba produktów uwzględnianych w analizie.

Gdy liczba produktów jest duża, a dodatkowo interesują nas wiązki większej liczby produktów, to rozmiary tabeli (nawet gdybyśmy potrafili ją utworzyć) rosną tak bardzo, że uniemożliwiają wyszukiwanie w niej interesujących nas informacji. Oczywiście mówimy o sytuacji, w której nic sprawdzamy konkretnych, z góry przez nas wybranych wiązek produktów, lecz poszukujemy wiązek spełniających zadane przez nas kryteria,

Współkupowanie można także przedstawiać graficznie. Do wizualizacji graficznej współkupowania zazwyczaj nie wystarczą zwykle wykresy prezentacyjne dostępne w arkuszach kalkulacyjnych, czy w programach do graficznej wizualizacji danych. Potrzebne są metody wizualizacji dedykowane temu tematowi. Przykładem wykresu użytecznego w prezentacji współkupowania może być wykres sieciowy przedstawiony w czerwcowym numerze MM, Jednakże i on ułatwia poszukiwanie tylko par współkupowanych produktów. Użyteczna wizualizacja wielowymiarowego zagadnienia, jakim jest współkupowanie produktów, musi być oparta na wielowymiarowej analizie danych opisujących to zjawisko. Niestety, ze względu na objętość tego materiału, zagadnienie to musimy pozostawić bez rozwinięcia.

Najefektywniejszą metodą prowadzenia analizy koszykowej jest wykorzystanie specjalnych technik analizy danych dostępnych w programach do data mining. Szczególnie użyteczne będą tu algorytmy asocjacyjne. Ich wyniki są często prezentowane w postaci reguł asocjacyjnych. Przykłady reguł asocjacyjnych przedstawiono w Tabeli 2.

Tabela 2. Przykład wyników analizy współkupowania różnych typów produktu w postaci głównych reguł znalezionych w zbiorze danych przez algorytm asocjacyjny.

mrożonki		warzywa w puszkach i piwo	(16533:16.7%, 0.874)
warzywa w paszkach		mrożonki i piwo	(16830:17.0%, 0.859)
piwo		warzywa w puszkach i mrożonki	(17127; 17.5%, 0,844)
warzywa w puszkach		piwo i konserwy mięsne	(5940:6.0%, 0,683)
mrożonki		piwo i konserwy mięsne	(5940:6.0%, 0,667)
piwo		mrożonki i wino	(7029:7.1%, 0.606)
mrożonki		warzywa w puszkach i konserwy mięsne	(7227:7.3%, 0.603)

Jak czytać takie wyniki? Przyjrzyjmy się pierwszej regule asocjacyjnej (pierwszy wiersz tabeli) - mówi ona, że w 16,7% wszystkich analizowanych koszyków (mówimy, że pokrycie wynosi 16,7%), czyli w 16 533 koszykach, znalazły się równocześnie warzywa w puszkach i piwo. Jednocześnie w 87,4% koszyków, w których znalazły się równocześnie warzywa w puszkach i piwo (mówimy, że ufność wynosi 0,874), znalazły się także mrożonki.

Dla ułatwienia interpretacji tego typu wyników pojęcia pokrycia i ufności ilustruje Rysunek 1




W powyższym przykładziewszystkie reguły składają się z dwóch produktów znajdujących się wkoszyku i trzeciego, który jest z nimi współkupowany. Jednak ostateczny kształtreguł asocjacyjnych zależy od zależności w zbiorze danych oraz zadanychprzez nas parametrów analizy. Reguły asocjacyjne mogą opisywać różneliczby współkupowanych produktów i mieć np. postać jak w Tabeli 3.

Tabela 3

Produkt 7		Produkt3 i Produkt4 i Produkt6 i Produkt8	528:4,5%, 0.95
Usługa 2		Produkt1 i Produkt2 i Usługa1	7857:67,0%, 0.08

KRYTERIA ANALIZY

Jak w takim razie odbywa się poszukiwanie reguł asocjacyjnych, skoro nie specyfikujemy produktów, które mają wejść do wiązki?

Podstawowe kryterium poszukiwania reguł konstruuje się poprzez ustawienie poziomu pokrycia oraz poziomu ufności. Zwykle zaczynamy od wysokich wartości, by odnaleźć wiązki produktów występujące najczęściej lub najsilniej determinujące zakup kolejnego produktu. Następnie obniżamy poziomy ufności lub pokrycia, w poszukiwaniu reguł"rzadszych" lub "słabszych", a jednak wartościowych z punktu widzenia rozwiązywanego przez nas problemu.

Możemy także zawężać zakres poszukiwań, podając na przykład:

• maksymalną liczbę produktów, które mogą wejść w skład wiązki;
• listę interesujących nas produktów;
• listę produktów, dla których liczona jest ufność;
• listę produktów, dla których liczone jest pokrycie.

Przykładowo możemy podać, iż interesują nas tylko reguły asocjacyjne o pokryciu co najmniej20% i ufności nie mniejszej niż 70%, które prowadzą do zakupu piwa.

IDENTYFIKACJA KLIENTÓW A ANALIZA KOSZYKOWA

Z analizą koszykową można zejść głębiej, jeśli potrafimy identyfikować kupujących, tzn. gdy potrafimy stwierdzić, co konkretny klient kupił podczas różnych zakupów odległych w czasie.

Problemów z identyfikacją nie powinny mieć banki, firmy ubezpieczeniowe, czy telekomunikacyjne, gdyż każdy ich klient może mieć unikalny identyfikator, który umożliwia przypisanie klientowi wszystkich kupowanych przez niego produktów i usług.

Trochę inną sytuację mamy w e-sklepach. Najczęściej identyfikacja jest możliwa np. poprzez numer karty kredytowej, którą klient płaci, dane kupującego, czy też adres, pod który zleca wysyłkę zakupionego towaru. Mogą jednak wystąpić problemy, gdy klient płaci różnymi kartami lub gotówką przy odbiorze, a zakupione towary wysyła pod różne adresy (np. jako prezenty). W takich sytuacjach pomocą mogą być cookies, ale o tym więcej napiszemy w artykule o analizie zachowań internautów (WebMining).

Poważny problem z identyfikacją klientów mają supermarkety, ale i tu opracowano pewne rozwiązania. Mogą to być np. programy lojalnościowe, w których kupujący korzysta z karty stałego klienta upoważniającej do rabatu. Innym rozwiązaniem może być, coraz częściej oferowana przez hipermarkety, "sklepowa" karta kredytowa. Każda z tych kart umożliwia przypisanie klientowi wszystkich zrobionych przez niego zakupów.

Co możemy uzyskać dzięki identyfikacji klientów?

Korzyści jest wiele:

• uzyskujemy dodatkowe informacje o zachowaniach klienta (np. jak często u nas kupuje), dzięki którym możemy odpowiedzieć na niektóre pytania dotyczące lojalności klientów np. "jak zdefiniować stałego klienta?";
• w oparciu o charakterystyki dokonywania zakupów możemy określać profile klientów kupujących często/rzadko, a następnie, bazując na charakterystykach pierwszych zakupów, decydować np., któremu nowemu klientowi zaoferować złotą kartę stałego klienta;
• możemy prowadzić analizę przerw pomiędzy zakupami, a następnie dla każdego klienta przewidywać moment kolejnego zakupu, by np. w odpowiednim czasie wysłać mu ofertę lub skontaktować się z nim telefonicznie;
• możemy analizować współkupowanie na poziomie klienta, czyli traktować jako jeden koszyk wszystko, co klient kiedykolwiek kupił - dzięki temu możemy się pokusić np. o segmentację klientów w oparciu o ich charakterystyki zakupowe i wykorzystać jej wyniki do dywersyfikacji ofert w oparciu o preferencje klientów co do określonych produktów;
• możemy rozszerzyć analizę koszykową o wykorzystanie cech demograficznych klientów, które umożliwia nam profilowanie segmentów i dzięki temu uzyskiwanie informacji przydatnych do pozyskiwania nowych klientów np. poprzez odpowiednie kierowanie reklam;
• możemy prowadzić analizy dotyczące sekwencji zakupowych, uwzględniając porządek kupowania kolejnych produktów czy usług, a następnie wykorzystać je do przewidywania kolejnych zakupów, zarówno co do produktu, jak i wartości zakupu.

Oczywiście zakres analiz będziemy dostosowywać do potrzeb i merytorycznej ich zasadności w konkretnej sytuacji.

Przy wykorzystaniu identyfikacji klientów pojawiają się też pewne problemy Np. nie każdy klient chce zostawiać informacje dotyczące swojej osoby, nawet na poziomie umożliwiającym wyłącznie identyfikację kolejnych zakupów. Rodzi się wtedy problem, jak stwierdzić, czy grupa klientów, co do których możemy śledzić sekwencje zakupowe, jest reprezentatywna dla wszystkich klientów, a jeżeli nie jest, to na ile różni się od pozostałych grup. Ale to już temat na inny artykuł.

Rozszerzenie analizy koszykowej o wykorzystanie cech demograficznych jest przydatne, gdy chcemy uzyskać odpowiedź na pytanie, jak "wyglądają" klienci typowi dla segmentów zbudowanych w oparciu o charakterystyki zachowań zakupowych. Do takich analiz zwykle wystarczają podstawowe informacje demograficzne gromadzone np. przy okazji programów lojalnościowych. Jeżeli jednak przez "sito" analiz eksploracyjnych przejdzie jakiś"ciekawy" segment klientów, można uzupełniać informacje demograficzne dotyczące tej grupy. Co więcej, można się też pokusić o zebranie informacji o charakterze psychograficznym, wykorzystując np. techniki badań ankietowych. Robimy to jednak tylko wtedy, gdy jest to uzasadnione korzyściami, jakie można uzyskać dzięki wykorzystaniu precyzyjniejszego opisu np. szczególnie ważnej grupy klientów.

ANALIZA SEKWENCJI ZAKUPÓW

Rozwinięciem algorytmów asocjacyjnych są algorytmy służące do poszukiwania charakterystycznych sekwencji zakupów. Przy tego typu analizach mamy do czynienia z podobnymi zasadami poszukiwania związków jak w przypadku algorytmów asocjacyjnych, z jedną istotną zmianą - interesują nas nie tylko asocjacje, ale i sekwencje, w jakich były dokonywane zakupy, przez co trochę inaczej interpretuje się wyniki tych analiz. Korzystając z algorytmów poszukiwania sekwencji, prowadzimy analizy kolejnych aktów zakupów dla każdego klienta.

Omówmy wyniki analizy sekwencyjnej przedstawione w Tabeli 4.

Tabela 4. Przykład wyników analizy sekwencji zakupów.

1	(3,581,23.77%, 98.31%)	warzywa w puszkach i mrożonki mrożonki
2	(3.553, 22.63%, 98.05%)	mrożonki i piwo piwo
3	(3.560, 22.91%, 95.08%)	warzywa w puszkach i mrożonki warzywa w puszkach
4	(3.560, 22,91%, 84.21%)	mrożonki piwo mrożonki
5	(3,549, 22,46%, 83.31%)	mrożonki piwo piwo
6	(3,500, 20.46%, 83.06%)	piwo mrożonki i piwo
7	(3,518, 21.19%, 82.48%)	warzywa w puszkach piwo piwo